スマートフォンベースの人の活動認識（HAR）は、スマートフォンのセンサーから収集した特徴量を用いて、異なる人の活動を識別する。スマートフォンセンサーから生成される相関のある多数の特徴量は、特徴量選択とモデル解釈を難しくし得る。本研究では、HAR向けの2段階の特徴量選択と分類の枠組みを評価する。この枠組みにおいて、スパース部分最小二乗判別分析（sPLS-DA）を主に教師あり特徴量選択法として用い、その後段の分類器として多項ロジスティック回帰を用いる。この手法は、一定の学習・評価・交差検証手続きの下で、LASSOおよびElastic Net正則化と比較される。実験では30回の反復を行った。各反復では21人の被験者を学習に用い、9人の被験者をテストに用い、学習集合内で被験者レベルの5-fold交差検証を実施した。各手法が選択した元の変数についても、同一の罰則なし多項ロジスティック回帰（MLR）分類器で同様に評価した。ネイティブのLASSOとElastic Netは、平均精度0.9514 ± 0.0166および0.9504 ± 0.0187でそれぞれ最高の予測性能を示し、多クラスAUCの平均値は約0.997であった。LASSOは平均169.8 ± 25.4特徴量を選択し、Elastic Netは平均255.5 ± 114.4特徴量を選択した。sPLS-DAは平均353.7 ± 47.5特徴量を選択した一方、そのネイティブのmax.dist分類器は平均精度0.8831 ± 0.0283に到達し、選択された特徴量集合の平均ペアワイズJaccard重なりが最も高かった（0.6611）。選択された特徴量部分集合に対して罰則なしMLRを用いると、3手法すべてで精度が低下した。全体として、LASSOは予測性能とより小さな特徴量集合のバランスが最良であり、sPLS-DAは特徴量集合の重なりがより高いが、より多くの特徴量を維持することが示された。これらの結果は、スマートフォンベースのHARにおいて、予測性能、特徴量集合のサイズ、選択安定性を同時に考慮すべきことを示している。
https://doi.org/10.20944/preprints202608.2323.v1